AI चे उत्पादन करताना, तुम्हाला अनेक आव्हाने भेडसावू शकतात, जसे की तुमचे AI मॉडेल प्रक्रिया किंवा लोकांवर कसे लागू करायचे, डेटा आणि मॉडेल्स स्थिर करणे, बदलत्या वातावरणात आणि कालांतराने तुमचे मॉडेल अचूक कसे ठेवायचे, स्केलिंग आणि कसे वाढवायचे. किंवा तुमच्या AI मॉडेलची क्षमता वाढवा.
एम्बेड करत आहे AI
नवीन अल्गोरिदमसह यशस्वी मशीन लर्निंग प्रूफ ऑफ कॉन्सेप्ट (PoC) चालवणे हे त्याचे उत्पादन करण्यासाठी आणि त्यातून वास्तविक मूल्य मिळविण्यासाठी आवश्यक असलेल्या प्रयत्नांच्या केवळ 10% आहे. उरलेले 90% तुम्हाला वापरण्यायोग्य उत्पादन बनवण्यासाठी कराव्या लागणाऱ्या गोष्टी आणि उपयुक्त उत्पादन बनवण्यासाठी तुम्हाला कराव्या लागणाऱ्या गोष्टींमध्ये विभागले जाऊ शकते.
वापरण्यायोग्य उत्पादन करण्यासाठी, तुम्हाला उत्पादन तुमच्या वापरकर्त्यांना उपलब्ध करून देण्याच्या तांत्रिक अंमलबजावणीवर झूम इन करणे आवश्यक आहे. ते उपयुक्त होण्यासाठी, तुम्ही वापरकर्त्यांसाठी प्रक्रियेमध्ये उत्पादन एम्बेड करण्याकडे लक्ष द्यावे. प्रथम, तथापि, पीओसी आणि वापरण्यायोग्य उत्पादनामध्ये नेमका काय फरक आहे?
सर्व प्रथम, PoCs उत्पादनासाठी नसतात. उत्पादनांना सर्व वेळ, कधीही आणि बदलत्या परिस्थितीत काम करणे आवश्यक आहे. तुमच्या PoC दरम्यान, तुम्ही शोधत असलेला डेटा तुम्हाला सापडेल, एक प्रत तयार करा आणि ते साफ करून त्याचे विश्लेषण करा. उत्पादनामध्ये, तुमचा डेटा स्त्रोत रिअल-टाइममध्ये, सुरक्षितपणे आणि सुरक्षितपणे डेटा प्लॅटफॉर्मशी कनेक्ट केला जाणे आवश्यक आहे; डेटा प्रवाह आपोआप हाताळला जावा आणि इतर डेटा स्रोतांशी तुलना/संयुक्त केले जावे.
तुमच्या PoC दरम्यान, तुमच्याकडे एकतर तुमच्या भावी वापरकर्त्यांशी बोलण्याची आणि त्यांच्यासोबत सोल्यूशन डिझाइन करण्यासाठी काम करण्याची लक्झरी आहे किंवा तुमच्याकडे अजिबात वापरकर्ते नाहीत आणि तुम्ही तांत्रिक उपाय तयार करत आहात. उत्पादनासाठी, तुमच्याकडे असे वापरकर्ते आहेत ज्यांना ते समाधान समजून घेणे आवश्यक आहे आणि तांत्रिक उपाय चालू ठेवण्यासाठी जबाबदार लोक आहेत. अशा प्रकारे, उत्पादन वापरण्यायोग्य होण्यासाठी प्रशिक्षण, FAQ आणि/किंवा समर्थन ओळी आवश्यक आहेत. शिवाय, तुम्ही PoC मध्ये तुमच्या एका वापरासाठी फक्त नवीन आवृत्ती तयार करा. उत्पादनांना अद्यतनांची आवश्यकता असते आणि जेव्हा तुम्ही तुमचे उत्पादन एकाधिक ग्राहकांसाठी आणले असेल, तेव्हा तुम्हाला उत्पादनासाठी तुमचा कोड (CI/CD पाइपलाइन) तपासण्यासाठी आणि उपयोजित करण्याचा मार्ग आवश्यक असतो.
“इटिलीटीमध्ये, आम्ही आमची इटिलीटी डेटा फॅक्टरी आणि एआय फॅक्टरी विकसित केली आहे जी आमच्या कोणत्याही प्रकल्पासाठी बिल्डिंग ब्लॉक्स आणि अंतर्निहित प्लॅटफॉर्म कव्हर करते. याचा अर्थ आमच्याकडे सुरुवातीपासून वापरण्यायोग्य कोन कव्हर केला आहे, जेणेकरून आम्ही उपयुक्त कोन (जे अधिक ग्राहक आहे आणि केसवर अवलंबून आहे) वर लक्ष केंद्रित करू शकतो,” कंपनीने म्हटले आहे.
कीटक शोध अॅप - PoC पासून वापरण्यायोग्य उत्पादनापर्यंत
“आमच्या कीटक शोध अॅपच्या प्रूफ ऑफ कॉन्सेप्ट टप्प्यात एक मॉडेल आहे जे ग्रीनहाऊस टीम सदस्यांनी घेतलेल्या प्रतिमांच्या आधारे ग्लू ट्रॅपवर माशांचे वर्गीकरण आणि मोजणी करण्याचे अरुंद कार्य करू शकते. जर त्यांचे एखादे चित्र चुकले असेल किंवा काहीतरी चुकले असेल तर ते परत जाऊन दुसरे घेऊ शकतात किंवा थेट डॅशबोर्डमध्ये त्याचे निराकरण करू शकतात. काही मॅन्युअल तपासण्या आवश्यक होत्या.
“आमचे PoC-विश्व सोपे होते, एक एकल उपकरण, एक एकल वापरकर्ता आणि एकच ग्राहक यावर आधारित. तथापि, ते वापरण्यायोग्य उत्पादन बनवण्यासाठी, आम्हाला अनेक ग्राहकांना स्केल आणि समर्थन देणे आवश्यक आहे. मग, डेटा वेगळा आणि सुरक्षित कसा ठेवायचा हा प्रश्न उद्भवतो. शिवाय, प्रत्येक वैयक्तिक ग्राहक/मशीनला सेटअप आणि डीफॉल्ट कॉन्फिगरेशन आवश्यक आहे. तर, २० नवीन ग्राहक कसे कॉन्फिगर/सेट करायचे? अॅडमिन इंटरफेस केव्हा तयार करायचा आणि ऑनबोर्डिंग ऑटोमेट केव्हा करायचे हे तुम्हाला कसे कळेल? 20 ग्राहकांवर, 2 किंवा 20?
नक्कीच, तुम्हाला प्रश्न असू शकतात, जसे की 'माश्या मोजण्यात माझ्या ग्राहकांना कशी मदत होते? या माहितीतून मूल्य कसे तयार करावे? निर्णय कसे सुचवायचे आणि कृती कशी करायची? हा AI अनुप्रयोग व्यवसाय प्रक्रियेत कसा बसतो?'. पहिली पायरी म्हणजे तुमचा संदर्भ फ्रेम तांत्रिक/डेटा दृष्टीकोनातून अंतिम-वापरकर्ता दृष्टीकोनात बदलणे. याचा अर्थ तुमच्या ग्राहकाशी संभाषण सुरू ठेवणे आणि सिद्ध झालेले PoC दैनंदिन प्रक्रियेत कसे बसते ते पहा.
“तुम्हाला प्रदीर्घ कालावधीसाठी प्रक्रियेचे बारकाईने पालन करावे लागेल, कोणत्या माहितीच्या आधारावर दररोज कोणती कृती केली जाते, काय करण्यात किती वेळ घालवला जातो आणि तर्कबुद्धी समजून घेण्यासाठी तुम्हाला ऑपरेशनल आणि रणनीतिक बैठकांमध्ये सामील होणे आवश्यक आहे. काही क्रियांच्या मागे. तुमच्या मॉडेलमधील माहिती व्यवसाय मूल्य निर्माण करण्यासाठी कशी वापरली जाते हे समजून घेतल्याशिवाय, तुम्हाला उपयुक्त उत्पादन मिळणार नाही.
“आमच्या बाबतीत, निर्णय घेण्यासाठी कोणती माहिती वापरली जाते हे आम्ही शोधून काढले. उदाहरणार्थ, आम्हाला आढळले की काही कीटकांसाठी साप्ताहिक ट्रेंडचे अनुसरण करणे अधिक महत्त्वाचे आहे (ज्यासाठी तुम्हाला उच्च अचूकतेची आवश्यकता नाही) तर इतरांना कीटकाच्या पहिल्या चिन्हावर कारवाई करणे आवश्यक आहे (म्हणजे जोडपे असणे चांगले आहे. एक खोटे नकारात्मक असण्यापेक्षा खोटे सकारात्मक).
“याशिवाय, आम्हाला आढळून आले की आमच्या ग्राहकाला याआधी अशाच साधनाचा ‘खराब’ अनुभव आला होता, ज्यात अचूकता असल्याचा दावा केला होता की ते व्यवहारात देऊ शकत नव्हते. ते आमच्यावर विश्वास का ठेवतील? आम्ही ही विश्वासाची समस्या डोक्यावर घेतली आणि अचूकता आणि पारदर्शकता हे उत्पादनाचे प्रमुख वैशिष्ट्य बनवले. अंतिम वापरकर्त्याच्या कार्यपद्धतींमध्ये ऍप्लिकेशनचे रुपांतर करून आणि परस्परसंवादामध्ये पारदर्शकता वाढवून, वापरकर्त्याला ऍप्लिकेशनवर अधिक नियंत्रण देऊन आमचे उत्पादन उपयुक्त बनवण्यासाठी आम्ही ही माहिती वापरली,” कंपनी पुढे सांगते.
सर्वात मोठे आव्हान काय आहे?
“आमच्या फ्लाय-काउंटिंग परिस्थितीत, आम्ही आमच्या अचूकतेच्या स्कोअरबद्दल आम्हाला हवे ते बोलू शकतो. तथापि, उपयुक्त होण्यासाठी, वापरकर्त्याला (हरितगृह तज्ञ) टक्केवारीपेक्षा जास्त आवश्यक आहे. गरज आहे ती अनुभवण्याची आणि त्यावर विश्वास ठेवायला शिकण्याची. जेव्हा तुमचे वापरकर्ते तुमच्या परिणामांची त्यांच्या स्वतःच्या मॅन्युअल परिणामांशी तुलना करतात आणि त्यात एक (मोठी) विसंगती असते तेव्हा सर्वात वाईट गोष्ट घडू शकते. तुमची प्रतिष्ठा नष्ट झाली आहे आणि विश्वास पुन्हा मिळवण्यासाठी जागा नाही. आम्ही उत्पादनामध्ये सॉफ्टवेअर जोडून याचा प्रतिकार केला जे वापरकर्त्याला त्या विसंगती शोधण्यासाठी आणि त्या दुरुस्त करण्यास प्रोत्साहित करतात.
“आमचा दृष्टीकोन असा आहे की वापरकर्त्याला एआय सोल्यूशनचा भाग बनवण्याऐवजी ते तज्ञांची जागा घेणारी प्रणाली म्हणून सादर करा. आम्ही तज्ञांना ऑपरेटरमध्ये बदलतो. AI त्यांच्या क्षमता वाढवत आहे आणि वातावरण किंवा इतर परिवर्तने बदलत असताना AI ला अधिक जाणून घेण्यासाठी आणि सुधारणा करण्यासाठी सतत शिकवून आणि मार्गदर्शन करून तज्ञ नियंत्रणात राहतात. ऑपरेटर म्हणून, विशेषज्ञ हा उपायाचा अविभाज्य भाग आहे – विशिष्ट कृतींसह AI शिकवणे आणि प्रशिक्षण देणे.”
क्लिक करा येथे ऑपरेटर-केंद्रित दृष्टिकोनावर अधिक तपशीलांसह व्हिडिओ पाहण्यासाठी.